根据以下链接的文章，https://mp.weixin.qq.com/s/RcrQmqty1FHEDbQfxv2XTQ

一步步做了练习，第一次使用Python，遇到问题颇多。花了差不多一周的时间从完成第一步到最后一步。

写下此文章记录下自己遇到的问题。

--------------------------------------------------------------------------------------

目录

1.数据读取

2.数据概述

3.数据清洗和整理

4.数据分析和可视化

------------------------------------------------------------------------------

1.数据读取

常用的数据载入函数：

read_csv read_excel read_txt read_sql）

本来原文提供的是csv格式，但因为我电脑的字体设置是英文，导致了乱码。我重新调整了下，保存成了xlsx的格式。

如果你也遇到中文乱码的话，可以尝试下面的方法：ps：后面需要选择Chinese的code，这样中文才会显示出来，不是乱码。

 接下来就是使用read_excel函数读取源文件的数据，numpy 和 pandas是第三方工具包，每次使用前都需要载入。

找好源文件的path, 这里注意的是在Python中‘ / ’是转义符，所以如果path的时候用的是 / 的话，前面就要加个r，这样python就能辨别出这里并不是转义符的用法。Python常用的描述路径有一下三种方式：

上面运行的结果如下：

第一步的数据载入end

------------------------------------------------------------------------------------------

2.数据概述

df.head( ) - 显示头部的数据，默认为5，也可以自由设置参数

df.tail( ) - 显示尾部的数据，默认为5，也可以自由设置参数

df.info( ) - 查看数据类型

这里列举出了数据集拥有的各类字段，一共有6876个，其中companyLabelList，businessZones，secondType，positionLables都存在为空的情况。公司id和职位id为数字，其他都是字符串。因为数据集的数据比较多，如果我们只想浏览部分的话，可以使用head函数，显示头部的数据，默认5，也可以自由设置参数，如果是尾部数据则是tail。

----------------------------------------------------------------------------------------------------------------------------------------------------

3.数据清洗和整理

我们是要看各地各公司的薪资情况，所以先着重处理薪资数据栏，这也是最高的数据。

第一步：查重

使用函数：unique( )

注意：column名称区别大小写，python是分大小写的。

unique函数可以返回唯一值，数据集中positionId是职位ID，值唯一

配合len函数计算出唯一值共有5031个，说明有多出来的重复值。

第二步：去重

使用函数：drop duplicates()

函数详解

第三步：加工salary薪资字段，我们要取薪资的平均数。就先取出最低工资和最高工资。

使用函数：

自定义函数def( ): https://blog.csdn.net/u014745194/article/details/70158926

find( )函数：

apply( )函数： https://blog.csdn.net/anshuai_aw1/article/details/82347016

可以针对DataFrame中的一行或者一行数据进行操作，允许使用自定义函数。

upper()函数：全部变大写

观察薪资内容，并没有特殊的规律，既有小写k，也有大写K。还有k以上的，k以上的只能默认最低最高一样。

先取最低工资

cut_word为自定义函数的名称，其中，利用find( )函数定位‘- ’逻辑位置，并且截取薪资范围开头至K之间的数字，也就是我们想要的薪资上限，即最低工资。apply将word_cut函数应用在salary列的所有行。

不明白的地方 -def cut_word( word) 里面的都word，整个自定义函数都没有定义它，它是怎么跟源文件的薪资栏联系在一起的？？？？

解答： word可以看成x，这样看起来可能好理解一些；整个自定义函数就是：

第一个红框里面，并没有将x与salary联系起来，在这里面，x是必选参数（位置参数）；但是在第二个红框 - salary.apply(cut_word)，这个时候就是将salary代入了参数x里面，联系起来了。apply将word_cut函数应用在salary列的所有行。

接下来处理k以上的薪资数据

对于‘k以上的’薪资，用find函数去找的话，结果是-1，代表是找不到结果。如果按照原来的方式截取，是word[:-2]，不是我们想要的结果，所以需要加一个if判断。

因为python大小写敏感，我们用upper函数将k都转换为K，然后以K作为截取。这里不建议用「以上」,因为有部分脏数据不包含这两字。

上面的df_dplicates['bottomSalary']相当于直接在df_duplicates的表格上新加一个column - bottomSalary。

 将bottomSalary转换成数字，如果转换成功了，说明所有的薪资数字都成功截取了    

 接下来取最高工资

在word_cut函数增加了新的参数用以判断返回bottom还是top，属于默认参数。

apply中，参数是添加在函数后面，而不是里面的。

接下来求薪资平均值

 用到的函数：

astype()

lamdba函数 （匿名函数）： https://blog.csdn.net/anshuai_aw1/article/details/82347016

没有具体名称的函数，它允许快速定义单行函数，可以用在任何需要函数的地方。这区别于def定义的函数。

首先先将上面求出来的bottomSalary & topSalary的数据类型转换成为数据。

然后求平均值

lambda x: ******* ，前面的lambda x:理解为输入，后面的星号区域则是针对输入的x进行运算。案例中，因为同时对top和bottom求平均值，所以需要加上x.bottomSalary和x.topSalary。

axis是apply中的参数，axis=1表示将函数用在行，axis=0则是列。

PS：上面的 lambda 可以用这个来代替 ： df_duplicates['avgSalary']=(df_duplicates.topSalary+df_duplicates.bottomSalary) / 2

到此，数据清洗部分完成。接下来切选出几个我们想要的columns（可根据自己需求切选）

为什么这里要引用 ' [ [ ] ] ', 而【 】就不行 ?? - 有待调查

--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

4.数据分析和可视化

针对切取出来的数据，先进行几个描述统计。

使用的函数：

value_counts( ) 是计数，统计所有非零元素的个数，以降序的方式输出Series

describe( ), 能快速生成各类统计指标

数据分析

【哪个城市招聘的数据师最多】数据中可以看出北京招聘的数据师是对多的。

针对数据分析师的薪资，我们用describe函数。数据分析师的薪资的平均数是17k，中位数是15k，两者相差不大，最大薪资在75k，应该是数据科学家或者数据分析总监档位的水平。标准差在8.99k，有一定的波动性，大部分分析师薪资在17士9k之间。（找时间回顾统计学知识，便于更好的理解）

总结：一般分类数据用value_counts，数值数据用describe，这是最常用的两个统计函数。

文字再多也没图表清晰，我们用图表说话。

数据可视化

python常用的绘图包：matplotlib 和 seaborn。 此次练习只涉及 matplotlib。

pandas自带绘图函数，它是以matplotlib包为基础封装，所以两者能够结合使用。（一开始有import pandas as pd，所以这里就不需要再次import pandas）

每次绘图前，都需要载入 import matplotlib.pyplot as plt

%matplotlib inline是jupyter自带的方式 - 允许图表在cell中输出。

plt.style.use('ggplot')使用R语言中的ggplot2配色作为绘图风格，纯粹为了好看。

绘制直方图

使用函数：

hist( )函数：

https://blog.csdn.net/u014525494/article/details/80157402

https://blog.csdn.net/claroja/article/details/72910163 （参数解释）

直方图是为了表明数据分布情况。通俗地说就是哪一块数据所占比例或者出现次数较高，哪一块出现概率低。

默认情况下，总共分为10段，即 bins=10

hist(x,bins) 函数中bins是指直方图的总个数，个数越多，条形带越紧密。

------------------------------------------------------------------------------------------------------------

我们以平均工资为内容，绘制下面的直方图。

图表列出了数据分析师薪资的分布，因为大部分薪资集中20k以下，为了更细的粒度。将直方图的宽距继续缩小。

将bins调整为15,如下：

数据分布呈双峰状，因为原始数据来源于招聘网站的爬取，薪资很容易集中在某个区间，不是真实薪资的反应（10～20k的区间，以本文的计算公式，只会粗暴地落在15k，而非均匀分布）。

‘双峰型，一般是混合了多种数据源或者类别数据造成的。’

绘制箱线图

使用函数：

dataFrame.boxplot( )

https://blog.csdn.net/walking_visitor/article/details/83109846

数据分析的一大思想是细分维度，现在观察不同城市、不同学历对薪资的影响。箱线图是最佳的观测方式。

boxplot方法只是用于DataFrame

column - 默认为None，输入为str 或由str构成的list,其作用是指定要进行箱型图分析的列 

by - 默认为None，str or array-like，其作用为pandas的group by，通过指定by=‘columns’，可进行多组合箱型图分析

figsize - 箱型图窗口尺寸大小

不同城市对薪资的影响

图表的标签出了问题，出现了白框，主要是图表默认用英文字体，而这里的都是中文，导致了冲突。

经过各种调查，有三种方法可以解决。（具体方法参考以下链接），

https://blog.csdn.net/u010758410/article/details/71743225

文章有提供别的方法，但我选择比较好操作的第二种 - 动态设置参数。缺点应该是下次还要重新设置。

动态设置好之后，再次运行的时候，城市名称就出来了。

from pylab import mpl

mpl.rcParams['font.sans-serif'] = ['FangSong'] # 指定默认字体 mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题

（箱线图的详解可以参考 - https://blog.csdn.net/Arwen_H/article/details/84855825）

关于上面的箱线图解析 - 北京的数据分析师薪资高于其他城市，尤其是中位数。上海和深圳稍次，广州甚至不如杭州

下面看一下不同教育背景对薪资的影响

关于上面的箱线图的解析 - 从学历看，博士薪资遥遥领先，虽然在top区域不如本科和硕士，这点我们要后续分析。大专学历稍有弱势。

 下面看一下不同工作年限对薪资的影响

关于上面的箱线图的解析 - 工作年限看，薪资的差距进一步拉大，毕业生和工作多年的不在一个梯度。虽然没有其他行业的数据对比，但是可以确定，数据分析师的职场上升路线还是挺光明的。 

上面的箱线图都是单一维度去看， 现在我们试着两个维度来看一下：

二维度分析

使用函数：

isin( ) - 筛选函数

解析 - 从图上可以看到，不同学历背景下，北京都是稍优于上海的，北京愿意花费更多薪资吸引数据分析师，而在博士这个档次，也是一个大幅度的跨越。我们不妨寻找其中的原因。

另外，在by传递多个值，箱线图的刻度自动变成元组，也就达到了横向对比的作用（这方法其实并不好，以后会讲解其他方式）。这种方法并不适宜元素过多的场景。

多维度分析

使用的函数：

group by ( )

unstack ( )

https://blog.csdn.net/ZK_J1994/article/details/77461480

step 1  - group by + count( )

上面是标准的用法，按city列，针对不同城市进行了分组。不过它并没有返回分组后的结果，只返回了内存地址。这时它只是一个对象，没有进行任何的计算

返回的是不同城市的各列计数结果，因为没有NaN，每列结果都是相等的。现在它和value_counts等价。 

step 2  - group by + mean( )

换成mean，计算出了不同城市的平均薪资。 因为mean方法只针对数值，而各列中只有avgSalary是数值，于是返回了这个唯一结果。

step 3 group by （双条件）+ mean( )

groupby可以传递一组列表，这时得到一组层次化的Series。按城市和学历分组计算了平均薪资。

step 4 - group by （双条件）+ mean( ) + unstack ()

再调用unstack方法，进行行列转置，这样看的就更清楚了 

在不同城市中，博士学历最高的薪资在深圳，硕士学历最高的薪资在杭州。北京综合薪资最好。这个分析结论有没有问题呢？不妨先看招聘人数。 

这次换成count，我们在groupby后面加一个avgSalary，说明只统计avgSalary的计数结果，不用混入相同数据。

要求博士学历的岗位只有6个，所谓的平均薪资，也只取决于公司开出的价码， 波动性很强，毕竟这只是招聘薪资，不代表真实的博士在职薪资。 这也解释了上面几个图表的异常。

step 5 - (计算不同公司的招聘数据师数量 & 计算平均数）

使用的函数：

agg（）函数

https://blog.csdn.net/suzyu12345/article/details/50733932

agg除了系统自带的几个函数，它也支持自定义函数。    

sort_value（）函数

https://blog.csdn.net/wendaomudong_l2d4/article/details/80648633

apply( )函数

这里使用了agg函数，同时传入count和mean方法，然后返回了不同公司的计数和平均值两个结果。 

step6 (计算出不同城市，招聘数据分析师需求前5的公司，应该如何处理？)

自定义了函数topN，将传入的数据计数，并且从大到小返回前五的数据。 然后以city聚合分组，因为求的是前5的公司，所以对companyShortName调用topN函数。

step8 (想知道不同城市，各职位招聘数前五，也能直接调用topN)

可以看到，虽说是数据分析师，其实有不少的开发工程师，数据产品经理等。 这是抓取下来数据的缺点，它反应的是不止是数据分析师，而是数据领域。不同城市的需求不一样，北京的数据产品经理看上去要比上海高。

 接下来继续mark可视化

单维度条形图

使用函数

plot.bar( )

https://blog.csdn.net/Jinlong_Xu/article/details/70183377

??? plot.bar( )是不是只适用于 dataFrame

双维度条形图

重要函数：

unstack( ) 行列装置

刚开始运行下面的代码时候，显示error： name 'figsize' is not defined.

解决方案就是：Try using [ %pylab ]  if  【%matplotlib inline】 does not work. 在前面加了%pylab 就ok了

参考链接：https://stackoverflow.com/questions/23762238/python-pandas-figsize-not-defined

运用group by，我们已经能随意组合不同维度。

下面这个函数中的 mean()求的是同样的city里面，不同教育背景的均值。

直接调用matplotlib的函数,进行更自由的可视化。(它和pandas及numpy是兼容的)

了解下面参数的意思

使用函数：

plt.hist( )

其中参数

x - (n,) array or sequence of (n,) arrays. 这个参数是指定每个bin(箱子)分布的数据,对应x轴

bins - integer or array_like, optional. 这个参数指定bin(箱子)的个数,也就是总共有几条条状图. 默认为10

normed -boolean, optional. If True, the first element of the return tuple will be the counts normalized to form a probability density, i.e.,n/(len(x)`dbin)这个参数指定密度,也就是每个条状图的占比例比,默认为0。

normed: 是否将得到的直方图向量归一化。默认为0

ps: normed='true' 和 normed='False'做出来的图跟 normed=1做出来的图一样的。

??根据查到的解释， normed=ture表示频率图，默认是频数图。那纵坐标应该有点区别才对？？

facecolor - 直方图颜色

alpha - 透明度

另外还有一个疑问：

1. 代码里面只设置了blue & red两种颜色，为什么会出来3种颜色？ 另外橙色颜色个代表什么？

下面的直方图是 norm=0，没有归一化。可以看到因为北京和上海的分析师人数相差较远，所以无法直接对比，需要用normed参数转化为密度

另外一种分析思路是对数据进行深加工。我们将薪资设立出不同的level

使用函数： cut（）

参数解释： https://blog.csdn.net/cc_jjj/article/details/78878878

延伸参考：https://blog.csdn.net/geekmubai/article/details/86676313

https://blog.csdn.net/weixin_42398658/article/details/82936525

cut的作用是分桶，它也是数据分析常用的一种方法，将不同数据划分出不同等级，也就是将数值型数据加工成分类数据，在机器学习的特征工程中应用比较多。cut可以等距划分，传入一个数字就好。这里为了更好的区分，我传入了一组列表进行人工划分，加工成相应的标签。

这里有点像用excel制作直方图，先人工订好组宽。不过这里的组宽不是等距的。大概是作者根据经验定下的组距。

    抽取df_clean表格里面的avgSalary 跟 level column看下

 下面也是进行绘制柱状图，不过跟前面的不太一样。是将数据转换成了百分比再进行绘制图。

下面的是运用group by ，组合了city和Level的维度，

另外，函数的 plot.bar( )里面的参数 stacked = True，值得是条状图叠加。

如果改为stacked=False的话，得出来的条状图就不会叠加的。

下面显示 de_level：

注意使用　ｕｎｓｔａｃｋ（）进行 行列装置，如果没有ｕｎｓｔａｃｋ（）的话，出来的结果是下面这个

axis是apply中的参数，axis=1表示将函数用在行，axis=0则是列。

当axis=1时，x.sum()指的是x所在行的总和。每行的百分比相加得1

当axis=0时，x.sum()指的是x所在列的总和。每列的百分比相加得1

最后绘制柱状图。如下图所示。 这里可以较为清晰的看到不同等级在不同地区的薪资占比。它比箱线图和直方图的好处在于，通过人工划分，具备业务含义。0～3是实习生的价位，3～6是刚毕业没有基础的新人，整理数据那种，6～10是有一定基础的，以此类推。

如果把代码中的axis改为0的话，就是将lambda运用在列上面。 后面出来的图如下：

axis=0，按照column来算百分比的话，就跨越了城市，没办法清晰对比同个city，不同薪资水平所占的百分比了。

 ---------------------------------------------------------

终于来到最后一步了  ---- 制作词云图。

使用函数：

str.replace()

str.split()

dropna() - 该函数主要用于滤除缺失数据。

首先把词云图的原材料准备好。

去除中括号 [   ]

现在的目的是统计数据分析师的标签。它只是看上去干净的数据，元素中的[ ]是无意义的，它是字符串的一部分，和数组没有关系。df_clean.positionLables是Series，并不能直接套用replace。apply是一个好方法，但是比较麻烦。这里需要str方法。

采用str方法，str方法允许我们针对列中的元素，进行字符串相关的处理，这里的[1:-1]不再是DataFrame和Series的切片，而是对字符串截取，这里把[ ]都截取掉了。如果漏了str，就变成选取Series第二行至最后一行的数据，切记。

去除空格键

使用完str后，它返回的仍旧是Series，当我们想要再次用replace去除空格。还是需要添加str的。

在这一步试了好久，一开始，使用replace(' ','')的时候，返回的结果全部都是空的。后来先是使用find函数先找出空格的索引，然后再删掉find函数，继续使用replace函数进行空格置换。positionLables本身有空值，所以要删除，不然容易报错。

拆分成列表 & 过滤缺失数据

再次用str.split方法，把元素中的标签按「,」拆分成列表。

这里是重点，通过apply和value_counts函数统计标签数。因为各行元素已经转换成了列表，所以value_counts会逐行计算列表中的标签，apply的灵活性就在于此，它将value_counts应用在行上，最后将结果组成一张新表。

用unstack完成行列转换（为什么要进行行列转换？？？），看上去有点怪，因为它是统计所有标签在各个职位的出现次数，绝大多数肯定是NaN。 

   将空值删除，并且重置为DataFrame，此时level_0为标签名，level_1为df_index的索引，也可以认为它对应着一个职位，0是该标签在职位中出现的次数，之前我没有命名，所以才会显示0。部分职位的标签可能出现多次，这里忽略它。

用groupby计算出标签出现的次数

        制作云图，需要第三方软件 - wordcloud.

anaconda没有，需要先pip install wordcloud。一步安装成功, 没有出现error

首先载入WordCloud:

清洗掉标签里的引号‘ ’

设置词云相关的参数 

然后 duang ~ duang ~ duang~